Beruflich Dokumente
Kultur Dokumente
ndice
1. Repaso de la teora bsica de probabilidades
1.1. 1.2. 1.3. 1.4. 1.5. 1.6. 1.7. 1.8. 1.9. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propiedades bsicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Probabilidad condicional e independencia . . . . . . . . . . . . . . . . . . . . . . Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vectores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Transformacin de variables aleatorias Valor esperado y momentos Distribuciones condicionales Funciones generatrices
4
4 4 5 7 9 10 11 13 14
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. La caminata aleatoria.
2.1. 2.2. 2.3. El proceso aleatorio ms simple en una dimensin. . . . . . . . . . . . . . . . . . Solucin explcita discreta y su comportamiento asinttico La funcin densidad de probabilidad 2.3.1. 2.3.2. 2.4. 2.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
16 16 17 18 19 21 23
Una ecuacin en diferencias para la densidad de probabilidad . . . . . . . . . . . La caminata aleatoria como lmite de pasos independientes: El teorema de LaplaceDe Moivre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. El proceso de Wiener.
3.1. 3.2. Denicin y propiedades bsicas del proceso de Wiener. . . . . . . . . . . . . . . La medida de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
25 27
29
29 31 33
5. Introduccin 6. Construccin de una caminata aleatoria innitesimal 7. El movimiento Browniano y la medida de Wiener
7.1. 7.2. 7.3. 7.4. Sobre el espacio muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . El teorema de Riesz-Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . La construccin de la medida de Wiener . . . . . . . . . . . . . . . . . . . . . . La continuidad de las trayectorias del movimiento Browniano . . . . . . . . . . .
35 35 37
38 40 41 42
46
46 46 48
1 Los autovalores del operador de Schrdinger + V (x) . . . . . . . . . . . . 2 Aplicacin de Feynman-Kac al estudio del comportamiento asinttico de los auAplicacin de la frmula de Feynman-Kac 2 . . . . . . . . . . . . . . . . .
50
50 52 54
tovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.2.1.
9.2.2. 9.2.3.
55 56
57
frecuencia
con la que
ocurren ciertos sucesos cuya naturaleza aleatoria nos impide conocer con detalle las leyes que los gobiernan. Ejemplos de este tipo de fenmenos son el resultado de arrojar una moneda, el ganador de una carrera de caballos o el comportamiento del precio de una accin. La abstraccin y generalizacin de estas situaciones y conceptos, nos llevan a las siguientes deniciones: 1) resultados posibles se llama
Experimento. Cualquier procedimiento que nos proporcione un conjunto bien denido de experimento. 2) Espacio muestral. El conjunto de todos los resultados posibles de un experimento se llama el espacio muestral y se denota por . Un resultado particular (pero no especicado) se suele
denotar 3)
Eventos. Un evento es un subconjunto del espacio muestral . En particular, es llamado c el evento seguro y su complemento, denotado por = , se llama evento imposible. 4) Espacio de eventos (o sigma lgebra). Una coleccin de eventos se llama espacio de eventos,
denotada por 1.
F,
si satisface:
est en
F; F,
entonces para
2. si 3. si 5)
est en
Ac
est en
F;
entonces
An
estn en
n = 1, 2, . . . ,
An n=1
est en
F.
Funcin de probabilidad. Una funcin P (), denida sobre los eventos en un espacio
P () = 1; 0 P (A) 1
para cualquier evento
F,
A F. Aj Ak =
para
j = k,
entonces
P (nI An ) =
nI
donde 6)
P (An ) ,
(An ; n I)
Espacio de probabilidad.
F
P ()
(espacio
espacio de probabilidad.
P (Ac ) = 1 P (A) .
P2:
P () = 0 .
4
P3:
P (A B) = P (A) + P (B) P (A B) .
P4:
P (A) P (B) ,
P5 (
si
AB.
Identidad de inclusin-exclusin ):
n
P (n Ar ) = r=1
r=1
P6 (
P (Ar )
r<s
Propiedad de continuidad ):
Si
supongamos que
An An+1 ,
l An = A , m
entonces
l P (An ) = P (A) . m a A,
existe un
Aqu el lmite de los conjuntos debe entenderse del siguiente modo: dado n sucientemente grande tal que a r=1 Ar . P7 (
tenemos que:
(n Ar ) r=1
r=0
P (Ar ) .
Ejercicio 1.
a un evento
B,
A se reeren al evento B . Es decir, medimos el A y B al mismo tiempo y hallamos la proporcin respecto del nmero de veces que ocurri B . Probabilidad condicional. Si P (B) > 0, la probabilidad condicional de que A ocurra dado que B ocurre se denota por P (A|B), y se dene por: P (A|B) = P (A B)/P (B) .
Para entender intuitivamente la denicin podemos identicar la probabilidad con la frecuencia
fX es la frecuencia con la que ocurre el evento X , entonces el nmero de veces que ocurren A y B al mismo tiempo
relativa con la que ocurren los eventos al realizar un nmero es: de pruebas. Si
N fAB
Mientras que el nmero de veces que ocurre
es
N fB
y el cociente entre ambas es la denicin de probabilidad condicional desde el punto de vista intuitivo de las frecuencias:
fA|B =
Con ms generalidad, an cuando
fAB . fB
P (B) = 0
admitimos la llamada
ley de multiplicacin :
P (A B) = P (A|B)P (B) .
5
A P (A|B)
es una funcin de probabilidad para los eventos en denicin.
j = k,
A r Br ,
luego
P (A) =
r
Regla de multiplicacin.
La forma elemental
Ejercicio 2.
bilidad
(Uso de la regla de Bayes) Un test mdico detecta una enfermedad con proba-
0,99
aplica a una persona sana. Cul es la probabilidad de tener efectivamente la enfermedad si el test da positivo y la enfermedad afecta a una persona cada 100? y si la enfermedad afectara 5 a una persona cada 10 ? La idea de condicionar nos lleva a un concepto muy importane: la
Independencia.
a)]Los eventos
independencia de sucesos.
son
independientes
si
P (A B) = P (A)P (B) .
Una
familia
de eventos
(Ai , 1 i n)
es independiente si
Ejercicio 3.
A := El B := El C := El
familia de eventos.
primero y el segundo muestran el mismo resultado. segundo y el tercero muestran el mismo resultado. primero y el tercero muestran el mismo resultado.
Mustrese que los eventos son dos a dos independientes pero que no son independientes como
de un ex-
perimento aleatorio sino en algn resultado numrico que dependa de en s. Al asignar un nmero bilidad de que
X()
aleatorias por letras maysculas, mientras que sus valores posibles sern escritos con letras minsculas. Pasamos a las deniciones. a)1. b)
es una funcin 2.
tomando valores en
R.
FX := P ({ : X() x})
y tambin se denota directamente por conjunto funcin
P (X x).
{ : X() x} F para todo valor de x R. Esto es equivalente a que la X sea medible en la -lgebra F . Asumiremos que este es el caso para las variables
toma valores en un subconjunde nmeros enteros. Luego, la denota como
consideradas. 3.
de
probabilidad de que
fX
se llama
de la variable
X.
p y F (de fracaso) con (1p), entonces la variable X denida por el nmero de xitos obtenidos n k
fX (k) =
pk (1 p)nk ,
0 k n. n
y
Nos referiremos a ella como la distribucin Binomial con parmetros denotaremos por usa la notacin
y la
B(n, p).
X B(n, p) .
fX (k) =
e k . k!
Nos referiremos a ella como Poisson(). Esta distribucin est asociada al nmero de xitos que pueden ocurrir en un intervalo temporal dado, cuando los mismos pueden ocurrir en cualquier instante del intervalo. Ejemplos pueden obtenerse en el nmero de llamadas recibidas en un intervalo dado; en este caso el parmetro el nmero esperado de llamadas en ese intervalo. 7
representa
c ) Distribucin geomtrica. En una sucesin de pruebas independientes con probabilidad de xito Luego
(1 p)
de fallo, sea
el nmero
de pruebas que se realizan hasta obtener un xito (incluyendo esta ultima prueba).
tiene distribucin
fX (k) = (1 p)k1 p,
k = 1, 2, . . .
FX (x) =
fX (s) ds
fX (x) denida para todo valor de x, se llama variable aleatoria llamada la funcin de densidad (o densidad ) de X . Es anloga
Ejemplos:
f (x)
1.
Densidad uniforme.
(a, b)
con la idea
intuitiva de que los intervalos de igual longitud tienen la misma probabilidad de ser elegidos, es fcil ver que la distribucin de probabilidad viene dada por:
F (x) = P (X x) =
a
La densidad de
xa dx = . ba ba
f (x) =
2.
1 , ba
para
a < x < b,
0,
en otro caso.
(x) =
(s) ds .
Ejercicio 4.
X N (, 2 ) y denamos la variable Y = aX + b, con a y b constantes. 2 2 Mustrese que Y N (a + b, a ). b) Sea U una variable aleatoria con distribucin uniforme en (0, 1), y denamos Y := (1/) log U . Mustrese que si > 0, Y Exponencial().
a) Sea 8
con
y su espacio de eventos
F.
Denimos algunas
cantidades tiles para tratar estos casos distinguiendo entre el caso discreto y el continuo. 1.
xi
Xi .
Notacin:
x = (x1 , x2 , . . . , xn ) X = (X1 = x1 , X2 = x2 , . . . , Xn = xn ) .
De este modo, si
es un subconjunto de
Rn ,
tenemos que:
P (X D) =
xD
f (x) .
Xi X1 :
fX1 (x) =
x2 ,...,xn
f (x, x2 , . . . , xn ) .
Es decir, sumamos sobre todos los valores posibles del resto de las variables, dejando jo al valor
x.
distribuciones marginales.
a, b, c, d,
b d
Funcin de densidad conjunta. Un par de variables aleatorias (X1 , X2 ) es (conjuntamente) continuo con densidad
f (x1 , x2 )
F (x1 , x2 ),
por:
x1
x2
F (x1 , x2 ) =
plano, tenemos que:
f (u, v) dvdu . D
es un subconjunto del
P ((X1 , X2 ) D) =
(x1 ,x2 )D
fX1 (x) =
f (x, x2 )dx2 .
3.
X2
son independi-
x1
x2 ,
P (X1 A, X2 B) =
A B
= P (A)P (B)
Ejercicio 5.
c < d.
a) Sean
X1
X2
F (x1 , x2 ),
y supongamos que
a<b
Mustrese que
X1 , X2
Z = g(X, Y )
(X, Y ).
probabilidad:
FZ (z) := P (Z z) = P (g (X, Y ) z) =
x,y:g(x,y)z
f (x, y) dxdy .
tienen densidad conjunta
Si
X, Y ,
f (x, y)
y su
Z =X +Y
luego:
FZ (z) = P (X + Y z) =
x,y:x+yz zx
f (x, y) dxdy
=
x= z y=
=
donde
fZ (z) =
Si
X, Y
fZ (z) =
que representa la
fX (v) fY (z v) dv , X
y de
convolucin
de las densidades de 10
Y.
Si
X, Y
son variables
N (0, 1),
fZ (z) =
Ejercicio 6.
luego
Muestra que si es
X1 + X2
2 X1 N (1 , 1 ) 2 2 N (1 + 2 , 1 + 2 ).
2 X2 N (2 , 2 )
con
X1 , X2
independientes,
N,
dn ,
los
w=
1 N
dn .
n
dn corresponden a una variable discreta, podemos reescribir esto agrupando los datos Pongamos por ejemplo que dn {xi : 1 i < }. Entonces, podemos reescribir el 1 w= N
n(i)xi ,
i=1
a la
donde
n(i) es el nmero de veces que aparece el dato xi . Llamando fi := n(i)/N xi , nos queda la siguiente expresin:
frecuencia
w=
i=1
fi xi .
Valor esperado. Sea X una variable discreta con distribucin de probabilidad f (k); el valor esperado (o media ) de X est denotado por E [X] y denido por
E [X] :=
k
siempre que k |xk | f (k) < . Si esta condicin falla diremos que la variable no tiene media nita. En el caso de una variable continua la denicin es anloga:
xk f (k) ,
E [X] :=
siempre que
x f (x) dx ,
Y = g(X). Para calcular el valor esperado g(X). Podemos evitar esta dicultad por
Teorema
a) Si
tales que
Y = g(X),
donde
g ()
es una funcin
R. E [Y ] =
k
es discreta, luego
g (xk ) f (k) ,
siempre que b) Si
es continua, luego:
E [X] :=
siempre que
g (x) f (x) dx ,
Demostracin:
|g (x)|
f (x) dx < .
E [Y ] : =
y
yP (Y = y) P (X = x) g (x) P (X = x)
y x:g(x)=y
=
y
y
x:g(x)=y
= =
x
g (x) P (X = x) , y {x : g(x) = y}
son todos los
X.
e
Propiedad Ejercicio 7.
Si
tenemos que:
E [g (X) h (Y )] = E [g (X)] E [h (Y )] .
Demustrese esta propiedad.
Momentos. Son cantidades que se denen a partir del valor esperado. k a) El momento k-simo de X es k := E X . k b) El momento central k-simo de X es k := E (X E [X]) .
En particular
es la media y
o Var[X].
Ejercicio 8.
Covarianza y correlacin
La covarianza de
Para variables
X, Y
es:
cov (X, Y
(X, Y ) :=
Y,
dis-
Y = y , permite considerar las probabilidades condiX dado que Y = y . Esto dene una nueva funcin de probabilidad para P (X = x, Y = y) P (Y = y)
fY (y) > 0 . X:
x fX|Y (|y)
fX|Y (x|y) =
x x
fX,Y (x, y) =
x
fY (y) = 1. fY (y)
Esperanza condicional.
La esperanza condicional de
dado
Y =y
se obtiene calculando
E (X|Y = y) =
x
Cuando no se especica un valor concreto de
xfX|Y (x|y) .
la esperanza condicional de
y,
X Y,
dado
es una
es decir:
Caso continuo.
Y
de
usando la probabilidad condicional. En este caso nos guiamos heursticamente por analoga con el caso discreto, aunque estas deniciones pueden justicarse en un contexto ms general. Si son continuas y tienen densidad de distribucin conjunta
dado
Y =y
fX|Y (x|y) =
La esperanza condicional de
f (x, y) , fY (y) Y =y
cuando
fY (y) > 0 .
dado
E (X|Y = y) =
R
E (X|Y = Y ())
El lema de particin.
a) Si
Sean
Ysondiscretas, entoncesfX b) Si
(x|y) fY (y) .
Ejercicio 9.
discreto:
A partir de este lema podemos mostrar algunas identidades tiles. Consideremos el caso
E [X] =
x
xfX (x) =
x y
= =
y
E (X|Y = y) fY (y)
= E [E (X|Y )] .
Y hay una idendidad anloga para el caso continuo.
Sean
P (X < Y ) =
Al ser
P (X < Y |Y = y) fY (y) dy
P (X < Y ) =
FX (y) fY (y) dy .
P (X < Y ) =
en el
MX (t) := E etX ,
14
(a, a), =
E e
tX
=E
r=0
tr X r r!
r=0
tr E [X r ] . r! E etX
nos
De modo que los coecientes del desarrollo, que podemos recuperar derivando indican el momento
r-simo
de la variable
X.
Unicidad]Si MX (t) es convergente en un intervalo (a, a) con a > 0, entonces los momentos
de la variable mentos de
FX (x).
son nitos. Si
de momentos
conjunta
Y son independientes. Sea Mn (t) una sucesin de M (t), donde M (t) es una fgm de una distribucin distribucin Fn (x), tenemos que Fn (x) F (x) ,
X e fgms, tal que, cuando n , Mn (t) F (x). Adems, si Mn (t) es la fgm de una
n .
Ejemplo.
X N (0, 1)
tenemos que:
MX (t) =
1 2 ex /2 etx dx 2 2 1 2 e(xt) /2 dx = et /2 2 t2 /2 =e .
Y N (, 2 ),
obtenemos:
MY (t) = E e
(+X)t
= e MX (t) = e
t+ t2 2
La funcin caracterstica
funcin caracterstica
de la variable
E eitX
E eitX
= 1. (a, a)
tenemos que:
X (t) = MX (it) ,
t R.
X (t) = et .
15
2. La caminata aleatoria.
2.1. El proceso aleatorio ms simple en una dimensin.
Nos planteamos el siguiente problema elemental de probabilidades:
ta real dando saltos de longitud 1 hacia la derecha o la izquierda de modo aleatorio. La probabilidad de desplazarse hacia uno un otro lado es de 1/2. Despus de movimientos puede ocupar alguna de las posiciones:
XN = N, N + 1, . . . , 1, 0, 1, . . . , N 1, N
Si su posicin inicial es
X0 = 0
P (XN = m)
de encontrarla en la posicin
XN = m
al dar un nmero
w(m, N ) := de pasos N .
Haremos en primer lugar un abordaje directo calculando una expresin explcita para estas probabilidades. Como veremos ms adelante, ste tambin puede resolverse desde puntos de vista distintos: a travs de la solucin explcita de una ecuacin en derivadas parciales, como una ecuacin en diferencias, o como el valor esperado de una variable estocstica.
w(m, N ) = 0
para
entonces contar de cuntas maneras diferentes podemos llegar a un valor N caminos posibles son igualmente probables, con probabilidad 1/2 . Sean i,d Tenemos entonces que:
las posiciones x = m son N m son enteros 2 positivos. En caso de que lo sean el problema es equivalente a contar las palabras de N letras, Los posibles valores de accesibles para un son de modo que
i, d
0, . . . , N
no todas
d= N +m , i = 2
letras A e
letras B:
w(m, N ) =
N! 1 = d!i! 2N N
N +m 2
1 N! . N m ! 2 ! 2N XN
es cero y su varianza
Ejercicio 10.
es
la media de la variable
N.
El comportamiento de esta expresin para
m n e
n
frmula de Stirling:
n! (2n)1/2
donde
f (n) g(n)
para
podemos escribir:
w(m, N )
1 recordemos que
2 N +1/2 N
N
N m N +m
m/2
N 2 m2
l N m
m N
+1 N2
m.
(3)
para
es equivalente a
= 0.
16
o de forma equivalente:
w(m, N )
Por otra parte, si
2 N
1 m/N 1 + m/N
m/2
m 1 N
+1 N2
m.
(4)
N 1x 1+x
m/2
de modo que
1 m/N 1 + m/N
y adems
m/2
m m = e N (1+O( N ))
1 x2
entonces
+1 N2
= e
N +1 log 2
m 1 N
+1 N2
=e
m2 2N
1+O
m2 N2
w(m, N )
El comportamiento asinttico para
2 m2 m2 e N e 2N = N N , m N,
2 m2 e 2N . N
es nalmente:
w(m, N ) =
N +m 2
N! 1 N m ! 2 ! 2N
2 m2 e 2N N
(5)
x+ x 2 x x 2
u(y, t)dy := P (x
x x x x mh x + ) w(x/h, t/k) = 2 2 2h h
k x2 k2 e 2t h 2t
(6)
h2 Deniendo adems el coeciente de difusin D := (es la velocidad a la que se recorre la 2k 2 distancia h partida por dos) tenemos que la densidad de probabilidad viene dada (para h 0,
1)
por la expresin
u(x, t) =
x2 1 e 4Dt 4Dt
(7)
r > 0,
tiene probabilidad 1 de ir
hace rebotar el
wref (m, N ; r):=probabilidad de que la partcula llegue a la posicin m, con m < r , al desplazarse N pasos. Para jar ideas tomemos un camino que rebote una sola vez en la posicin r . La probabilidad de cada paso sigue siendo 1/2, con excepcin del paso dado en la posicin r , que tiene
probabilidad 1 de ir hacia la izquierda. En este caso es equivalente a multiplicar por dos la probabilidad que tiene el mismo camino de ocurrir en un desplazamiento libre, sin una pared reejante. Es fcil convencerse de que la probabilidad de un camino que rebote n veces en la n pared, es 2 por la probabilidad del mismo camino considerado como un proceso sin pared reejante. Una forma grca de calcular estas probabilidades es considerar
caminos reejados
al otro lado de la pared. Por ejemplo, si el camino rebota slo una vez, podemos considerar otro camino que sale hacia la derecha en el punto de rebote y est reejado al otro lado de la pared. Al realizar los posicin
y el reejado llegar a la
2r m
(vase la gura)
Del mismo modo, cada camino libre que atraviese una sola vez la posicin a la posicin
(y que llegue
m = 2r m)
tenemos
el mismo efecto que al multiplicar por dos la probabilidad del camino admisible (considerado como camino libre). Para generalizar esta idea, supongamos que el camino rebota dos veces en la pared. En este caso habr que multiplicar por 4 a la probabilidad del camino libre, con lo cual habr que construir 3 caminos ms para seguir con la misma idea.
Dado el camino admisible, tenemos 3 caminos libres ms para elegir, uno que llega a dos que llegan a
m.
m.
m.
partir del punto 1 es una reexin del camino admisible con respecto al eje que pasa por este modo, podemos convencernos de que es vlida la siguiente frmula
r.
De
(8)
m = r. El razonamiento que hemos hecho es vlido solamente m < r, ya que por cada rebote contra la pared debemos considerar el doble de si m = r esto no es verdad. En este caso debemos tener en cuenta que el ltimo
paso, si bien toca la pared, no debe ser multiplicado por dos. Vase el ejemplo de la gura
La probabilidad que buscamos es entonces la mitad que la obtenida con la frmula (8) y tenemos entonces que
es exactamente la
Si tomamos
wref (m, N ; r)
2 N
1 2
em
2 /2N
+ e(2rm)
2 /2N
(m < r)
1 uref (x, t) = 2 Dt
Donde
e 4Dt + e
x2
(x < xr ),
(9)
xr := rh,
es la posicin de la pared.
uref |x=xr = 0 x
pasos, pero considerando que una vez que atraves una pared en la
m, posicin a,
a > 0, a.
la probabilidad
de ir hacia la izquierda es ahora nula. De los caminos libres que llegan a quitar los que en algn instante anterior han atravesado la barrera en
tenemos que
Podemos hacer la
misma construccin grca que para el caso anterior, esta vez teniendo en cuenta que que llega a
descontar la probabilidad de los caminos que terminan en m . Por cada camino prohibido (libre)
m
(esto es, que atraviesa a la pared en
debemos
m
a),
usando la reexin con respecto al eje en por cada camino que sale de 0 y llega a
a partir de los puntos de contacto. Los caminos podemos contar un camino prohibido que llega a
admisibles no pueden reejarse ya que no hay puntos de contacto con el eje. Recprocamente,
m.
2 N
1 2
em
2 /2N
e(2am)
2 /2N
m < a.
1 uabs (x, t) = 2 Dt
Con la propiedad
e 4Dt e
x2
uabs (xa , t) = 0 .
Para
m=a
los caminos inadmisibles (no todos los caminos que llegan a por la pared despus de a la posicin
m =a
El problema est vinculado con el clculo de la probabilidad de que la partcula sea absorbida
pasos. Debemos tener en cuenta que de todos los caminos que llegan
a,
debemos quitar todos los que han atravesado la barrera anteriormente. Una
forma de contar los caminos inadmisibles es la siguiente. Para llegar a dos posibilidades. O bien a tiempo que llegan a a
en tiempo
hay
N 1
estamos en
a+1
o en
a 1.
a1
a1
son
la misma cantidad
a+1
son todos
a+1
para tiempo
N 1.
a.
Si
a 1 (a partir del primer contacto con el eje a) a + 1 al mismo tiempo. De este modo, la probabilidad que queremos ser la de los caminos libres que llegan a a en tiempo N menos el doble de los caminos que llegan a a + 1 en tiempo N 1:
reejamos cada camino inadmisible que llega a obtenemos otro que llega a nmero de caminos
= = =
N! a a N +a N ( 2 )!( N 2 )! a,
a tiempo
dividido por
wabs (a, N ; a) =
En el caso de
a N! a = w(a, N ) . N ( N +a )!( N a )! N2 N 2 2
a wabs (a, N ; a) N
que expresada en trminos de
2 N
1 2
e(a
2 /2N )
xa = ah
t = Nk
xa k p(xa , t) = t xa k = t
interpolacin de la funcin tiempo
2k h2 t 1 Dt
1 2
q(xa , t)
xa
en el intervalo de
[t, t + t]
es
t+t t
1 Dt
1 2
donde tuvimos que dividir por dos, ya que los tiempos posibles de llegada, jado denidos en intervalos de tamao obtenemos (dependiendo de la paridad de
m,N ).
xa q(xa , t) = 2t
Destaquemos la siguiente relacin
1 Dt
1 2
e(xa /4Dt)
q(xa , t) = D
Si interpretamos la probabilidad como frecuencia a la que ocurre un suceso, hemos obtenido la fraccin de partculas (de un nmero muy grande de ellas) que salen de primera vez a la pantalla absorbente
xa
w(m, N )
t = (N + 1)k puede calcularse como la probabilidad de que llegue N k por la probabilidad de desplazarse hacia la derecha en el siguiente paso temporal, ms la probabilidad de que llegue a (m + 1)h en el instante N k por la probabilidad de que se desplace
hacia la izquierda en el siguiente paso. Como cada paso es una variable discreta independiente del movimiento anterior tenemos que:
(10)
m, N
w(m, N ) 0
posibles, la probabilidad de que alguna de ellas ocurra va a tender a cero necesariamente. Por esto es mejor que consideremos una aproximacin a la densidad de probabilidad
u(x, t):
(11)
uh,k (x, t) :=
La idea central que nos gua es encontrar una funcin de densidad lmite para momento, vamos a suponer que este lmite existe y lo denotamos por
h, k 0.
De
h,k (x, t) 0, u
para
(12)
Como veremos ms adelante, (12) es un esquema numrico que aproxima a la solucin de una ecuacin diferencial. En este caso tenemos el problema inverso al clculo numrico: dada la ecuacin en diferencias intentaremos determinar la ecuacin diferencial de la funcin lmite. Para hacer esto necesitamos saber con qu ecuacin es consistente este esquema, y debemos reemplazar la solucin continua el desarrollo de Taylor:
u (x, t)k + O(k 2 ) t 1 1 2u (u(x h, t) + u(x + h, t)) = u(x, t) + (x, t)h2 + O(h4 ) 2 2 x2 u(x, t + k) = u(x, t) +
(ntese el error de orden 4 debido a la cancelacin de las potencias impares). Igualando las cantidades obtenidas tenemos que
Obsrvese que si
h2 /k 0
u/t = 0,
que corresponde a un
estado estacionario de la ecuacin del calor. Con esta forma de ver las cosas es relativamente sencillo imponer condiciones para tener una pared reejante o absorbente. De acuerdo con la condicin de reexin la nica posibilidad 1 de llegar a la pared es desde la izquierda (en el tiempo anterior) con probabilidad , de modo 2 que:
1 wref (r, N ; r) = wref (r 1, N 1; r) . 2 probabilidad de llegar en tiempo N + 1 a la posicin r 1 1 wref (r 1, N + 1; r) = wref (r 2, N ; r) + wref (r, N ; r) , 2
es:
r.
Eliminando
wref (r, N ; r)
(xr , t)
ref
del subndice):
u 1 u 1 1 u 1 u u h+ k + o( k 2 + h2 ) = u h+ u h k + o( h2 + k 2 ), x t 2 x 2 2 x 2 t k = O(h2 ):
u u h = O(h2 ) = 0. x x
Esta es la misma condicin, de tipo Neumann, que observamos para la solucin explcita. En el caso de la pared absorbente debemos observar que:
a)
(xa , t)):
u = 0,
como obtuvimos anteriormente con la solucin explcita para 22
uabs .
h y paso k , la densidad de probabilidad de encontrar a una partcula para tiempo t = N k en 2 la posicin x = mh, cuando m, N con h / (2k) = D , es consistente con ecuacin del calor
Resumiendo, hemos encontrado que, haciendo un camino aleatorio de paso espacial temporal
ut = Duxx .
Cuando hay una pared reectante en
(13)
x = xr
u (xr , t) = 0 x
y cuando hay una pared absorbente tenemos la condicin
u(xa , t) = 0.
En ambos casos la condicin inicial para
es una
en cualquier intervalo alrededor del origen es igual a 1. Esta es la solucin fundamental de la ecuacin del calor, podemos reconstruir a partir de ella cualquier condicin inicial y tambin utilizar las ideas aplicadas para caminos discretos con paredes reejantes y absorbentes.
2.5. La caminata aleatoria como lmite de pasos independientes: El teorema de Laplace-De Moivre
Podemos obtener la distribucin lmite de la caminata aleatoria a travs de un resultado clsico de suma de variables aleatorias discretas, conocido como el teorema de Laplace-De Moivre. La demostracin es esencialmente la misma que la vista anteriormente para los randomwalks (utilizando tambin el comportamiento asinttico de los factoriales). (Laplace-De Moivre). Sean toman valores 0 y 1 y tales que
In , n N,
P (In = 1) = p P (In = 0) = q
con
p + q = 1.
Si
SN :=
N n=1 In , entonces
l P m
SN N p b a N pq SN
1 = 2
b a
e 2 dx .
x2
Ejercicio 11.
Demuestra el teorema de Laplace-De Moivre siguiendo los siguientes pasos: vienen dadas por:
E[SN ] = N p V [SN ] = N pq
2) Identica los posibles valores de la variable
SN ,
P (SN = m) = pm q (N m)
N! (N m)!m! N =
S N p N , escribe N pq
(14)
m Np . x= N pq
23
x y hacemos N , entonces m . Aplica la frmula x jo, N . 4) Escribe (14) en trminos de x y N , y desarrollando los exponentes hasta orden 2 demuestra P (SN = m) = P (N = x) =
x2 1 e 2 (1 + o(1)) 2N pq
Nota que:
m =q 1 N
p x qN
m =p 1+ N
q x pN
5) Suma las contribuciones del intervalo, teniendo en cuenta que la distancia entre los valores
m Np xm = N pq
es
xm = xm+1 xm =
Si sumamos sobre los
1 . npq
b a
xm
1 P (a N b) = 2
e
xm [a,b]
x2 m 2
1 xm 2
e 2 dx N
x2
dependientes Bn
in-
que pueden tomar los valores 1 y 1 con probabilidad Bn +1 La variable In = satisface las condiciones del teorema, con p = q 2 N N N 1 n=1 Bn + 2 y el teorema nos dice que: n=1 In = 2
l P m
N n=1 Bn b N
1 = 2 h
b a
e 2 dx .
y denimos
x2
Si cambiamos la escala de los pasos con una constante temporal, podemos escribir esto del siguiente modo
k = t/N
como el paso
N
Llamando
l P m
N n=1
h a t k
h hBn b t k n=1
1 = 2
b a
e 2 dx .
x2
XN
hBn ,
tenemos que
P
donde
h h a t XN b t k k N
con
1 = 2
b a
e 2 dx + N ,
x2
h jos. Obsrvese que si 0 para N , k la densidad de XN estar concentrada alrededor del origen. Eligiendo a, b 1 tales que b x2 1 e 2 dx est tan cerca del valor 1 como queramos y N sucientemente grande tal que 2 a h h < [a t k , b t k ] (, ), tenemos que:
N 0
para
P ( XN ) P
donde que
h h a t XN b t k k
1 = 2 a
y
b a
e 2 dx + N = 1 + N , b
convenientemente. Concluimos
x2
l P ( XN ) = 1 m
24
si
h 0. k
Obsrvese que esta es la escala que corresponde a la ley de los grandes nmeros, donde tomaramos
h = 1/N = O(k).
b x2 h 1 Si por el contrario tenemos que , elegimos a 0 b de modo que e 2 dx < 2 a k , con pequeo. En este caso, dados A, B arbitrarios (jos), tendremos que para un N h h sucientemente grande [A, B] (a t , b t ) y por lo tanto k k
P (A XN B) P
de modo que
h h a t XN b t k k
1 = 2
b a
e 2 dx + N = + N ,
x2
N
para
l P (A XN B) m
l P (A XN B) = 0 m
si
h . k
Los casos considerados son lmites que nos llevan a distribuciones de algn modo triviales. La primera, que concentra toda la medida en el origen, es una delta de Dirac. La segunda dispersa las posiciones de tal modo que la probabilidad de encontrarlas en un intervalo nito es nula. El caso que ms nos interesa es el que viene a continuacin. h Supongamos ahora que l N m = 2D > 0. Si denimos k h = b 2Dt, tenemos que B := b t k
h A := a t k = a 2Dt,
l P (A XN B) = m
1 4Dt
A B
e 4Dt dx .
x2
(15)
Este resultado es idntico al que obtuvimos anteriormente y es el que corresponde al lmite difusivo.
3. El proceso de Wiener.
3.1. Denicin y propiedades bsicas del proceso de Wiener.
Hemos analizado uno de los procesos ms simples en una dimensin: la caminata aleatoria (random walk). Hemos visto tambin que el lmite de las distribuciones de probabilidad discretas puede llevarse al continuo por medio de un lmite adecuado en el tamao de los pasos espacial y temporal. Las escalas entre ambos pasos estn vinculadas de una manera particular para que en el lmite obtengamos una distribucin de probabilidad no trivial. Concretamente, hemos visto que
h debe ser del orden de k , donde k es el paso temporal y h el espacial. Si elegimos h = k (D = 1/2), en el lmite podemos generar un proceso continuo, o una familia de variables 2 aleatorias reales Wt , indexadas por el tiempo t, que tiene las siguientes propiedades:
2 Como es costumbre en estadstica, utilizaremos letras maysculas para indicar a las variables aleatorias y
minsculas para indicar un valor particular de las mismas.
25
1. 2.
W0 = 0. Wt
es una variable aleatoria con distribucin normal, es independiente de
3. Si
t > s, Wt Ws
Ws
y tiene distribucin
Wt Ws
Wt Wt y Ws
sea independiente de
mejor tener en mente el mecanismo de construccin del proceso. Las propiedades 1-3 pueden obtenerse a partir de los procesos discretos de caminata aleatoria que hemos denido en el apartado anterior. Escribamos nuevamente al proceso discreto como suma de variables aleatorias independientes, de tipo Bernouilli:
kBn ,
XN =
n=1
donde
k := t/N
es el paso temporal y
Bn , 1 n N
independientes
XN
con probabilidad
1/2
respectivamente. La media de
N y su varianza es la suma de las varianzas de cada incremento, es decir V [XN ] = N V [ kB1 ] = N k = t. Cuando N (dejando a t constante, con k 0), la variable Wt := l N XN es una suma independiente de variables equidistribuidas y el m teorema de t). Ntese Laplace-De Moivre (cf. (15)) nos dice que Wt tiene una distribucin normal N (0,
que el mismo lmite puede obtenerse sumando cada paso en lugar de las
variables normales
Zn
adecuadamente escaladas en
Bn
y varianza 1, y construimos el proceso (ahora con una distribucin continua de posibles valores de la posicin, pero con valores temporales discretos)
kZn
XN =
n=1
Zn = N (0, 1) .
dist
Es fcil mostrar que la suma de variables normales independientes sigue siendo normal, con media igual a la suma de las medias respectivas y varianza igual a la suma de las varianzas respectivas. En este caso, todo
XN
para
teorema cens,
Para ver la propiedad nmero 3 del proceso tenemos que tener en cuenta que los incrementos a partir de un valor de tiempo modo que la variable
de
Wt
kBn ,
Wt = Ws + l m
Dado que todas las pruebas tenemos que de
k = (t s)/N . s
son independientes de la variable
n=1
Bn
posteriores al tiempo
Ws ,
Wt Ws
es independiente de
Ws
proceso de Wiener,
Este proceso bsico, que hemos estudiado desde distintos puntos de vista, tiene el nombre y es fundamental para la construccin de otros procesos en distintas
disciplinas (fsica, qumica, biologa, nanzas, etc.) El incremento de est dado por
Wt := Wt+t Wt =
tZt ,
26
Zt = N (0, 1) .
dist
t 0: dWt =
dtZt .
(16)
Wt se obtiene realizando una muestra de una variable normal independiente del valor actual de Wt , multiplicada por la raz del incremento innitesimal dt. El subndice en Zt se utiliza para indicar que la prueba aleatoria debe realizarse en tiempo t y que esta prueba es independiente
de las que deban realizarse para calcular incrementos en otros valores de tiempo. Como variables aleatorias son idnticas (estn idnticamente distribuidas) pero es importante comprender que la innidad de pruebas de las variables
Una aclaracin sobre el uso de subndices en (16). El incremento innitesimal del proceso
Zt
Wt
son
todas independientes. Dicho de otro modo y salvando las diferencias, es como si tuviramos que arrojar una moneda en cada instante de tiempo para calcular una muestra de la evolucin del proceso. Como veremos a continuacin, esto es equivalente a denir una medida de probabilidad en un espacio de caminos continuos.
-lgebra
proceso de construccin, y la escala utilizada para aadir las pruebas independientes, hacen que una muestra del proceso de Wiener sea una funcin continua (en un sentido probabilstico). Calculemos la siguiente probabilidad:
Por otra
e 2t dx
|x|>
x2
dx = 2
x 2t
dx 2
x 2 t
e 2 t dx = t
(17)
De modo que:
No debemos confundir (17) con la nocin de regularidad de una funcin en el sentido usual. Si bien esta relacin nos dice que la probabilidad de dar un salto es de un orden arbitrariamente pequeo respecto de
lmite (que tendramos que denir con precisin) que sea discontinua, ya que en principio
de funciones reales denidas en la semirrecta real positiva. Es decir, una lmite es como asignar un valor real a cada
muestra
del proceso
t > 0,
(0) = 03 .
de funciones continuas
: [0, +) R,
trabajo original. Imaginemos ahora que, dada una muestra valor de la funcin continua
la variable
Wt : R
nos devuelve el
en
t: Wt () = (t) .
Wt
distribucin marginal
P (a Wt b) = medida
El conjunto
[a, b]
en
t.
C[a,b];t := { : a (t) b}
se llama
P C[a,b];t :=
a
(x, t)dx , Wt ,
e 2t , (x, t) := 2t
x2
(18)
t y media cero. C[a1 ,b1 ];t1 y C[a2 ,b2 ];t2 debemos tener en cuenta la distribucin conjunta de las variables Wt1 y Wt2 (t1 < t2 ) caracterizada por la independencia del incremento Wt1 := Wt2 Wt1 respecto de Wt1 . La probabilidad que queremos medir es la de las funciones continuas que pasan en t1 por un intervalo [a1 , b1 ] y en t2 por un intervalo [a2 , b2 ]. Para ello notemos que:
que es normal de varianza Para denir la probabilidad de la interseccin de dos ventanas
b1
b2
(1)
=
a1 a2
p(x1 , t1 )
a2
p(x2 , t2 |x1 , t1 )dx2 = P (x2 Wt2 x2 + dx2 |Wt1 = x1 ) = P (x2 x1 Wt2 t1 x2 x1 + dx2 ) = (x2 x1 , t2 t1 ) ,
donde
(19)
Finalmente:
b1
b2
(x1 , t1 )
a2
P C[a1 ,b1 ];t1 C[a2 ,b2 ];t2 = P C[a1 ,b1 ];t1 + P C[a2 ,b2 ];t2 P C[a1 ,b1 ];t1 C[a2 ,b2 ];t2 .
3 La demostracin de esta armacin nos llevara un poco lejos a cuestiones tcnicas de teora de la medida.
Vase [2].
28
Esto nos permite denir una medida en el lgebra generada por los conjuntos cilndricos lgebra
F0
(uniones e intersecciones nitas de estos conjuntos). A partir de aqu podemos denir la sigma
F0
ellos. No entraremos en los detalles tcnicos para mostrar que la medida est bien denida, vase [2] o [5]. La denicin de esta medida, debida a Norbert Wiener, nos permite integrar funcionales denidos en
dado un funcional
F(),
a su integral
F()dP
=
notacin
F()dW
F cuando
En este caso
F()dW =
x P ( : x (T ) < x + dx) =
(x, T ) x2 dx = T ,
T.
uh,k
que esta ecuacin tiene una solucin explcita bien denida con una condicin inicial de tipo delta de Dirac. En este apartado veremos que los valores de valores en los nodos de un
uh,k
w(m, N )
interpretacin estocstica de la solucin de la ecuacin en derivadas parciales. Consideramos como punto de partida a la ecuacin del calor (13), con un coeciente de difusin
D > 0,
h,
y temporal de paso
los
es vlido para cualquier funcin suave sobre la malla, no necesarin m 0 para h, k 0 se denomina en anlisis numrico. n Denamos entonces Um como la solucin del siguiente problema discreto (m Z, n N0 ): amente tiene que ser la solucin de la ecuacin del calor!). La propiedad
donde
consistencia
0 Um = u0 (mh) ,
0 Um = u0 (mh) ,
(20)
Dk 0 . A partir del dato inicial Um , podemos calcular los niveles temporales sucesivos h2 por medio de la frmula explcita (20). Ntese que para = 1/2 nos queda exactamente el mismo
:=
w(m, N ). Independientemente n n n de esto, veamos la convergencia del esquema numrico discreto. Sea em = um Um . La ecuacin en diferencias para e viene dada por:
n en+1 = en (1 2) + en + en m m m+1 m1 + km ,
Intentamos comparar el error del paso temporal
e0 = 0. m n-simo.
Si tomamos el
n+1
en := mx(|en |) , m
m
y deniendo
n = mx|m,n |;
m
Si
= mx n .
n
1 2 0
e0 = 0 y que nos interesa estudiar la convergencia del esquema para un instante de tiempo nito (ie. nk = t, n , h 0), tenemos que el esquema es convergente para 1/2. En el caso lmite = 1/2, como mencionamos anteriormente, el esquema discreto coincide con el de las probabilidades para un camino aleatorio unidimensional y podemos reinterpretar el resultado en trminos estadsticos. Realicemos algunas iteraciones hacia atrs del esquema discreto (20) para
= 1/2:
n Um =
1 multiplica a todos los trminos, donde j es 2j el nmero de iteraciones realizadas. Los coecientes que acompaan a cada uno de los valores n2 Um corresponden al nmero de caminos que pueden realizarse dando dos pasos temporales, n para llegar a Um (vase la gura).
Ya en estas dos iteraciones podemos observar que
esqnumerico.eps
30
Desde la posicin
(m + 1, n 2)
no puede accederse a
(m, n)
tanto le corresponde un cero en el coeciente. A medida que seguimos iterando, el nmero de j caminos partido por 2 no es otra cosa que la probabilidad de llegar al punto (i, n j) desde
la posicin
(m, n) cuando realizamos una caminata aleatoria con probabilidad 1/2 de ir hacia w(i m, n) Ui0 .
n Um
como el
(21)
valor esperado
Ui0
sobre el espacio de probabilidad de los caminos que unen el punto (m, n) con la recta del nivel 0 incial. Utilizando la frmula asinttica para w(m, n) (vase (5)), Ui = u(ih, 0), t = nk , x = mh, y el hecho de que solamente la mitad de los puntos aportan al promedio, podemos escribir
Um,n
En este caso
1 = 2
k h2
1 y obtenemos 2D
1 Ux/h,t/k = 2 Dt
e
i
(ihx)2 4Dt
u(ih, 0)h ,
h, k 0: u(y, 0)dy ,
1 u(x, t) = 2 Dt
(yx)2
(yx)2 4Dt
e 4Dt dy , es una medida sobre la recta, para cada x, t 2 Dt jos y la solucin de la ecuacin del calor es el del dato inicial con respecto a
una nueva interpretacin: La funcin
valor esperado
(x, t)
hacia atrs.
x, t.
mirando el problema
Es decir, asignamos una densidad de probabilidad en el nivel de tiempo inicial y llegan al nivel inicial.
Por otra parte, teniendo en cuenta que la variable aleatoria es el proceso de Wiener a tiempo
t,
u(x, t) = E [u0 (x + Wt )] ,
donde
Wt
continuos que salen del origen y la integracin se realiza respecto de la medida de Wiener.
D = 1/2)
(22)
1 2u u = + (x) , t 2 x2
u(x, 0) = (x)
:=
1 k . 2 h2
n en := Um un m m
u k + o(k) t
Obtenemos entonces:
1/2
en = maxm |en |: m k h2 .
h, k 0
con
1/2,
es decir
= 1/2
1 n1 1 n1 n + Um1 + km Um = U 2 m+1 2 1 n2 1 1 n2 n2 = Um+2 + 2Um + Um2 + km+1 + km1 + km 4 2 2 n2 = E Um+X2 + kE [(xm + hX1 )] + kE [(xm + hX0 )]
donde
Xn =
i=1
Bi ,
X0 = 0
(23)
Bi =
y
1 1
1/2 1/2
E[]
n n Um
= E [(xm + hXn )] +
i=1
con
kE [(xm + hXi )]
h, k 0
h2 /k = 1,
podemos escribir
u(x, t) =
dW (x + Wt ()) +
0 t
ds
dW (x + Ws ())
(24)
= E (x + Wt ) +
0
(x + Ws ) ds
donde, como antes, la integral se realiza en el espacio de caminos continuos denidos en el intervalo
[0, t]
frmula de Feynman-Kac. 32
Vericacin
La ecuacin con fuente puede resolverse formalmente sumando una solucin particular con valor inicial cero y una solucin de la ecuacin homognea ( dada por la expresin:
up (x, t) =
0 t
(ts) 2 2 x2
(x) ds ds
=
0
(x x , t s)(x) dx
t +
h=x x, =ts t
(h, )(x + h) dh d
0
=
0
E[(x + W )] d
u 1 2u = + V (x)u t 2 x2
donde
(25)
representa un
potencial
(26)
El esquema del lado derecho est elegido especialmente para conseguir una interpretacin estocstica ms directa. Reescribimos la relacin en la forma
n+1 Um =
(27)
Veamos que el trmino nuevo en (26) no destruye la consistencia del mtodo numrico:
en+1 = m
1/2
y que
kM 2,
en+1 (1 + kM ) en + o(k) + koh (1) (1 + kM )2 en1 + (1 + kM ) (o(k) + koh (1)) + (o(k) + koh (1)) 1 (1 + kM )n+1 n+1 0 . . . (1 + kM ) e + (o(k) + koh (1)) 1 (1 + kM ) (1 + kM )n+1 1 eM t 1 = (ok (1) + oh (1)) (ok (1) + oh (1)) . M M
Donde vemos que el algoritmo es convergente para Elegimos ahora
h, k 0.
= 1/2
y obtenemos el esquema
o(k)
|V | M .
n Um =
1 n2 1 n2 1 n2 = Um+2 ekVm+1 +kVm+2 + Um ekVm+1 +kVm + ekVm1 +kVm + Um2 ekVm1 +kVm2 + 2o(k) 4 4 4
Esto lo escribimos ahora en una notacin ms sugerente:
n Um =
caminos
=
caminos
k0
donde
(xm + Wt ()) e
dW
a los caminos
Xi ,
discretos de esta variable. Utilizando el resultado de convergencia obtenemos la frmula de Feynman-Kac para la solucin de la ecuacin del calor con potencial:
u(x, t) =
(x + Wt ()) e
34
Rt
0
V (x+Ws ())ds
dW
(28)
Observacin
Vamos a interpretar el lado derecho de la frmula (28). Suponiendo la existencia de una solucin
V (x+W )d
Para
s=0
la variable
0 = u(x, t) .
Si dejamos evolucionar a
hasta
s=t
Rt
0
tenemos que
t = u(x + Wt , 0) e
V (x+W )d
= (x + Wt ) e
Rt
0
Rt
0
V (x+W )d
Tomando ahora valor esperado sobre los caminos continuos obtenemos la expresin
V (x+W )d
Si queremos que esta frmula represente a la solucin de (25), esto debe coindidir con
E[t ] = 0
t > 0 .
Rs d E[u(x + Ws , t s) e 0 V (x+W )d ] ds
y comprobar que es cero para todo valor de
5. Introduccin
Los conocimientos bsicos de Teora de las Probabilidades necesarios para seguir el curso pueden encontrarse en el captulo 2 del libro [Evans]. Dicho texto tambin proporciona un enfoque complementario sobre algunos de los temas expuestos en estas notas. En la seccin primera recapitulemos brevemente algunos de los conceptos vistos en la parte primera del curso. A continuacin, en la seccin segunda describiremos con detalle la construccin de la medida de Wiener y del movimiento Browniano.
caminata aleatoria
en
R.
La posicin
Xn
de la partcula tras
nN
las siguientes leyes: 1. En el instante inicial la partcula se encuentra en el origen: 2. A cada paso temporal, la partcula se mueve una distancia izquierda con probabilidad
X0 = 0.
ja, a la derecha o a la
1/2.
h > 0, n N,
Xn = Xn1 + hBn ,
donde
(29)
Bn
(30)
3. El incremento de la posicin de la partcula en un paso de tiempo los incrementos correspondientes a los pasos aleatorias
es independiente de
1, ..., n 1.
Bn , n N, Wt ,
El problema principal al que hemos dedicado el primer captulo del curso fue el de construir una ley de propagacin
t [0, ),
t>0
(ii) al igual que ocurre con la caminata aleatoria, el incremento de la posicin partir de un instante
Dicho problema fue contemplado originalmente por Albert Einstein (1905) en su intento formular una teora cuantitativa que describiera las observaciones realizadas, entre otros, por el botnico Robert Brown (alrededor de 1827) sobre el movimiento, aparentemente catico, que describen pequeas partculas de polen en suspensin sobre un lquido. tambin que el proceso (iii) los caminos
4 Debido a considera-
ciones fsicas las partculas no saltan instanneamente de una posicin a otra requeriremos
Wt
satisfaga:
(Wt )t0 Wt
son continuos.
Para construir
t [0, )
dividimos el intervalo
[0, t]
en
N N
y, para
k := t/N, n = 0, ..., N ,
k Wnk := Xn ,
con la intencin de denir En media, la posicin
de los
k Wtk = WN k .
E
As pues, si hacemos tender
2 Wtk
h2 = h N = t. k
2
(31)
innito. Si pretendemos obtener un lmite no trivial, hemos de reescalar tambien el parmetro 2 espacial h. Si hiciramos tender h a cero de modo que h /k 0 la identitad (31) sugiere que el proceso lmite obtenido es determinista, en el sentido de que la partcula permanece indenidamente en su posicin inicial 2 Si elegimos h de modo que h /k garantiza que:
W0 = 0. 2D > 0
h,k0 h2 /k2D
l + P A Wtk B = m
1 4Dt
B A
e 4Dt dx. Wt
x2
(32)
Por tanto, la ley de probabilidad de un eventual proceso lmite media cero y desviacin tpica
2Dt.
no prueba
4 Un comentario ms detallado de los aspectos histricos del decubrimiento del movimiento Browniano puede
encontrarse en el libro [Nelson67].
36
proceso lmite
Wt . Simplemente permite armar que, de existir Wt , ste ha de estar distribuido 2Dt . segn una ley normal N 0; Para obtener la ley de Wt nos hemos servido de una caminata aleatoria cuyos incrementos Bn
in-
estn distribuidos segn una ley muy particular (30). Es natural preguntarse si el resultado nal (32) depende de esta circunstancia. Dicho de otro modo: tomemos incrementos dependientes e idnticamente distribuidos no necesariamente segn (30) y formemos la k correspondiente caminata aleatoria (29); puede el lmite de los nuevos Wt seguir una ley que no sea normal? La respuesta a esta pregunta es negativa, y se conoce como
del Lmite.
Teorema Central
Teorema 6.1
Sean
dientes, idnticamente distribuidas, con media cero Entonces, para todos los reales
a<b
se tiene
l P m
B1 + ... + Bn b n
e 22 dx.
Vemos por tanto que la distribucin normal aparece de forma natural como la nica distribucin posible para el proceso lmite suele decir que el
Wt
es un
y se
Wt Ws
.
ha
5 espacio de probabilidad
Denicin 7.1.
(, P)
es un
proceso de
Wiener 6 o
Wt , t [0, ),
movimiento Browniano 7
los incrementos
Wtn Wtn1 ,
son independientes.
Wtn1 Wtn2 ,
el incremento
B3.
N 0; h
Para todos .
t 0
h > 0,
Wt+h Wt
(x, t) :=
Escribiremos tambin:
1 x2 e 2t , 2t
para
t > 0.
(x, 0) := 0 (x) ,
5 Salvo en los casos en que pueda haber ambigedad, no haremos referencia explcita a la sigma lgebra de
6 Esta es la terminologa preferida por los fsicos. 7 Es el trmino ms utilizado en la literatura matemtica.
37
P.
siendo
distribucin de que
W0
es precisamente
0 .8
x = 0.
Wt+h Wt
es independiente de
Ws
s t.
condicin ms fuerte es que determina de forma nica la distribucin conjunta de las variables
Wt1 , Wt2
para cualquier eleccin de
... , Wtn
Dicha ley necesariamente es:
(33)
0 t1 t2 ... tn .
(34)
...
A2 An
A1 , ..., An R
: Rn R
medible, se
(35)
Es fcil demostrar que si un proceso verica que la ley conjunta de (33) viene dada por (34) entonces automticamente se tiene B2 y B3. Consideremos la siguiente condicin: B3'.
Central del Lmite que B2, B3' y B4 implican B3. Los procesos que verican B2 y B3' se
procesos de Lvy.
Wt .
(, P)
dotado de un
[0, )
t Wt () .
todas
(x1 , 0) dx1
0 (x1 ).
38
de probabilidad ponemos
en los Borelianos de
R[0,)
E R[0,)
Boreliano,
P (E) := P W E = P
La medida de tiene
: W () E
P se suele llamar distribucin del proceso Wt . De hecho, P es la distribucin conjunta todas las variables aleatorias Wt para t [0, ). Si F : R[0,) R es medible entonces se F W dP =
F () dP () .
R[0,)
(36)
Proposicin 7.2. Todos los movimientos Brownianos tienen la misma distribucin P. Ms an,
si
Wt : R[0,) R
es un movimiento Browniano
como la medida de Wiener. Describiremos a continuacin un modo de construirla. En lo sucesivo utilizaremos el smbolo P exclusivamente para referirnos a la medida de Wiener y escribiremos, [0,) para R , Wt () := (t). De los axiomas B1,..., B4 de la denicin del movimiento Browniano inferimos las siguientes propiedades para la medida de Wiener 1. Si
P. 0 t1
E R[0,) ... tn :
j = 1, ..., n
b1
bn
P (E) =
a1
...
an
(37)
R[0,) : (0) = 0 Wt
= 0.
4. La propiedad B4 de la denicin de
C0 ([0, ) ; R) (0) = 0.
de
[0, )
en
tales
10 en un espacio topolgico
Cc (X),
el espa-
cio de las funciones continuas, a valores reales y con soporte compacto, denidas sobre
separable y localmente compacto. Teorema 7.3 (Riesz-Markov). Sea L una aplicacin lineal de Cc (X)
Supondremos que
X.
es
en
R.
Si
es positiva,
esto es, de
Lf 0
para
que representa a
f 0, L: Lf =
f (x) d (x) ,
X
para toda
f Cc (X) . K X.
(40)
La medida
(K)
La demostracin y varias de las aplicaciones de este resultado pueden leerse en [Rudin]. Hagamos algunas observaciones antes de proseguir. 1. Si
L es positiva entonces es automticamente continua. Basta observar que, para f Cc (X) con soporte en un compacto K X se tiene: |Lf | L |f | CK mxxX |f (x)| a con CK := L para Cc (X), con 0 e identicamente igual a uno sobre K .
que verica (40) se dene del siguiente modo. En primer lugar, para un conjunto abierto
2. La medida
V X
ponemos:
(V ) := sup {L : Cc (X) ,
Una vez hecho esto, denimos para
0 1,
sop V } .
EX
arbitrario: abierto y
(E) := { (V ) : V X nf
E V }. X.
(41) S es posible
3. La expresin (41) no dene una medida sobre todos los subconjuntos de probar que es una medida sobre los borelianos de
X.
De hecho,
A un poco mayor, que se forma aadiendo a los borelianos todos E X con la propiedad de que E est contenido en un boreliano B con
11 entonces es posible demostrar que
compacto y
(B) = 0.
4. Si
no es demasiado patolgico
K E} .
5. El Teorema de Riesz proporciona un modo de denir la integral de Lebesgue en d partir de la de Riemann. Consideramos la aplicacin lineal sobre Cc R :
Rd
Lf :=
Rd
f L
es positiva por lo
donde la integral se intepreta en el sentido de Riemann. Claramente, que el Teorema de Riesz garantiza la existencia de una medida
que satisface:
f=
Rd Rd
f (x) dm (x) ,
siendo la segunda integral la denida mediante la teora de la medida. Esfcil probar que m es precisamente la medida de Lebesgue sobre Rd .
10 Se llama
medida de Borel
11 No demasiado patolgico quiere decir aqu que todos los abiertos de
X.
Borelianos.
40
x0 X
De nuevo
x0
con la propiedad:
masa de Dirac
({x0 }) = 1. Rd )
centrada en
x0 .
Es inmediato comprobar
x0 (E) = 0
si
x0 E /
y que
En el caso de
X = Rd
(o un abierto de
renarse notablemente.
Teorema 7.4
d una distribucin positiva, esto es, que verica Sea T D R d T () 0 para toda Cc R tal que 0. Entonces existe una medida , con las mismas propiedades que en el Teorema 7.3 que verica:
(Schwartz)
T () =
Rd
(x) d (x) .
La demostracin puede encontrarse, por ejemplo, en el altamente aconsejable [LiebLoss]. Vemos pues que, por el simple hecho de ser positiva, T puede extenderse de Cc Rd a todas las funciones Borel medibles de soporte compacto.
Proposicin 7.5.
[0,) sobre los Borelianos de R que satisface (37), (38). [0,) Como consecuencia de esto, el proceso en R , P denido por Wt () := (t) cumple la
Existe una medida
L que se comporte como (38) sobre fun[0,) ciones que dependen de un nmero nito de coordenadas. Ms concretamente, si F : R R
es de la forma
para ciertos
0 t1 ... tn ,
(43)
L (F ) :=
R
...
R
(44)
Se nos presentan dos grandes diculdas para aplicar el Teorema 7.3 en este contexto. Si X es innito dimensional entonces no es localmente compacto por ejemplo, C ([0, ) ; R), RN o un espacio de Hilbert de dimensin innita no son localmente compactos. Ms precisamente, es fcil probar que un producto de espacios localmente compactos es localmente compacto si y slo si todos los factores, salvo eventualmente un nmero nito, son compactos. Lo que es ms importante, una funcin continua de la forma (43) no pertenece a 41
Cc R[0,)
R obtenida aadiendo un punto al innito; es decir, R : = R {} se denen como los complementarios de los compactos de R.
El espacio producto
la compacticacin
:= R[0,)
es automticamente compacto
Cc () = C (). Es en este marco consta simplemente de los caminos de R que pueden eventualmente pasar por el innito y que C := C () se puede identicar con las [0,) cuyas coordenadas tienen lmites nitos e idnticos en . funciones de C R Denotemos por Cn al conjunto de las funciones F continuas de en R de la forma (43). En otras palabras, Cn es subconjunto de C := C () constituido por las funciones que dependen nicamente de un nmero nito de variables. Denimos sobre Cn un funcional L mediante la formula (44). El funcional L est bien denido, puesto que:
ms an, donde aplicaremos el teorema de Riesz. Obsrvese que 1. La integral que lo dene es siempre nita. Ms an,
12 y contiene
R[0,) ;
|L (F )|
sup |F ()| .
R[0,)
(45)
...
R R
F (x1 , ..., xn1 ) (x1 , t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn ... F (x1 , ..., xn1 ) (x1 , t1 ) ... (xn1 xn2 , tn1 tn2 ) dx1 ...dxn .
R
=
R
L es positivo sobre Cn . El teorema de Stone-Weierstrass13 vase [Dugundji] implica que Cn es denso en C ; ello, junto con la estimacin (45) permite asegurar que L se puede extender a un funcional lineal positivo sobre C .
Es evidente que de una medida que representa a claramente Estamos en condiciones de aplicar el teorema de Riesz-Markov y as obtener la existencia L. Denotamos por P a la restriccin de dicha medida a R[0,) ;
Teorema 7.7
abilidad uno:
(Wiener)
13 La extensin de M. Stone del resultado clsico de aproximacin de funciones continuas por polinomios de
un espacio topolgico y
nula y que separa puntos esto es, dados lgebra respecto ala suma y el producto
D C (X) un conjunto de contiene una funcin constante no x, y X con x = y existe f D tal que f (x) = f (y). Entonces el generada por D es densa en C (X).
42
Sea
(, ) := sup
0<t
claramente
(x, t) dt;
|x|>
(, ) = o ()
en un intervalo de longitud que todos los caminos
cuando
0.
Vamos a acotar la probabilidad de que un camino tenga una variacin de tamao mayor que
Lema 7.8.
Sean
, > 0
0 t1 ... tn
tales que
tn t1 < .
Consideremos el conjunto
para ciertos
i, j = 1, ..., n} .
P (E) 2
, . 2
, , 2
para algn
j = 2, ..., n} ,
E A. A
en distintas partes y estimar cada una de ellas. Sean
Vamos a descomponer
B := { : | (t1 ) (tn )| > /2} , Cj := { : | (tj ) (tn )| > /2} , Dj = { : | (t1 ) (tj )| >
Entonces se tiene: y
| (t1 ) (tk )|
para
k j} .
ABC
siendo
C :=
Esto es debido a que, dado entonces necesariamente
n j=2
(Cj Dj ) . j0
para el cual
un ndice menor
Dj0 .
Si
B /
(tn ) (tj )
Dj
A partir de aqu la prueba del teorema es tcnica. Comencemos extendiendo el resultado a un intervalo continuo de tiempos. 43
Lema 7.9.
0a<b
con
ba
y para ciertos
t, s [a, b]} .
P (E (a, b, )) 2
, . 2
t, s S} .
(46)
P (E (a, b, , S)) 2
Claramente, nitos de
, . 2
recorre los subconjuntos
E (a, b, ) es la unin de los abiertos E (a, b, , S) cuando S [a, b]. Ms an, P (E (a, b, )) = sup P (E (a, b, , S)) ,
S
r>0
existe
K E (a, b, )
E (a, b, , S).
Por tanto
Lema 7.10.
Sea
kN
y supongamos que
1 N.
Sea
para ciertos
t, s [0, k] , |t s| < } .
k P (F (k, , )) 2 , . 2
F (k, , )
entonces
| (t) (s)| > 4 para t, s en el mismo subintervalo o en subin pertenece a E (a, b, ) siendo [a, b] uno de los dos
C0 ([0, ) ; R) =
kN nN mN
En particular, como cada uno de los Por otra parte,
1 1 k, , n m
es cerrado,
C0 ([0, ) ; R) es un Boreliano. ,
C0 ([0, ) ; R)c =
kN nN mN
44
1 1 k, , n m
y claramente,
P
con lo que
mN
1 1 k, , n m
= l P F m
m
1 1 k, , n m
= 0,
La construccin privilegiada por muchos textos se basa en probar que una medida que satisface (37) se puede extender a una medida de probabilidad sobre la sigma lgebra
B0
gen-
erada por las ventanas elementales (se utiliza el conocido como Teorema de extensin de Kolmogorov). Este enfoque tiene algunos inconvenientes tcnicos. Por ejemplo, como resultado de ello, el conjunto
C0 ([0, ) ; R) no es B0 -medible
conjunto que diere de l en un conjunto de medida nula que s lo es. Ello es debido a que
B0
es estrictamente menor que la sigma lgebra de los Borelianos. Para darse cuenta de elmientras que un conjunto del tipo [0,) es un abierto y por tanto un Boreliano de R . En par-
lo basta observar que cualquier union o interseccin numerable de ventanas elementales slo depende de una cantidad numerable de componentes
tj ,
{ : (t) > a
para algn
t R}
ticular, los anlogos de los lemas 7.9 y 7.10, que en nuestro caso son triviales, son mucho ms difciles de demostrar si uno trabaja con
B0 . RN
(equipado de una medida
Gaussiana) una sucesin Gn , n = 0, 1, 2, ... de variables N (0; 1) independientes y denir para RN el camino Wt ()mediante una serie de Fourier con coecientes aleatorios:
Wt () := G0 () t +
2n 1
2
n=1 k=2n1
Gk (kt)
senkt . k t.
En el
Wiener demostr que la serie converge para casi todo tcnicamente mucho ms sencilla, debida a P. Lvy.
captulo 3 de [Evans] puede encontrarse una demostracin basada en ideas similares, aunque
Es posible demostrar que las trayectorias del movimiento Browniano son ms regulares de C0 ([0, ) ; R) el espacio de los caminos Hlder de exponente > 0 que arrancan del origen, esto es, C0 ([0, ) ; R) si (0) = 0 y, dado k > 0, existe K tal
Teorema 7.11.
0 < < 1/2 entonces P (C0 ([0, ) ; R)) = 1. Si 1/2 entonces P (C0 ([0, ) ; R)) = 0. En particular, con probabilidad uno las trayectorias del movimiento
Si
Ejercicio 7.12.
Sea
SR
S := { : (t) S
verica
P (S ) = 0.
Advertencia: ante todo hay que probar que
es medible.
45
es solucin de
(x, t) Rd [0, ) ,
(47)
Kac :
con, pongamos,
L2 R d
, entonces
fmula de Feynman(48)
u (x, t) =
donde
(x + (t)) dP,
:= C0 ([0, ) ; R)
ciona un marco comn para la resolucin de ecuaciones en derivadas parciales de carateres, en principio, muy diversos. Ilustremos esto con la ecuacin:
x u (x, t)
= 0,
(x, t) Rd [0, ) ,
(49)
v Rd .
Claramente,
u (x, t) = (x tv) ,
y podemos escribir,
u (x, t) =
siendo
(x + (t)) dMv ,
que satisface:
Mv
Mv
(tv)t[0,)
= 1.
Pese a que (47) es parablica y (49) es hiperblica, ambas ecuaciones admiten una solucin en trminos de una integral del dato inicial en el espacio de caminos Llevados por esta analoga, podemos decir que las trayectorias del movimiento Browniano son las curvas caractersticas de la ecuacin del calor. De hecho, esta armacin es ms que una mera analoga. En la seccin siguiente mostraremos una aplicacin de la frmula de FeynmanKac (en su versin con potencial, que describimos a continuacin) al estudio del comportamiento de los autovalores de un operador de Schrdinger.
(x, t) Rd [0, ) ,
u (x, 0) = (x) .
Concretamente, probaremos el resultado siguiente:
(50)
14 Conviene observar que la demostracin de esta frmula es elemental una vez que se conoce la frmula
explcita para la solucin fundamental para la ecuacin del calor en
Rd .
46
C R
Sea
Rd
d
en
R,
xR
se tiene
que la solucin
u (x, t) =
(x + (t)) e
Rt
0
V (x+(s))ds
dP.
(51)
Antes que nada, conviene saber que la frmula (51) es vlida bajo hiptesis mucho ms 2 dbiles sobre V y . Concretamente, basta suponer, por ejemplo, L Rd y V L1 Rd loc esencialmente acotado inferiormente [Nelson64, TayPDEII]. La prueba que presentamos es debida a Nelson [Nelson64] y est basada en la frmula de Lie para las soluciones de una ecuacin diferencial asociadas a la suma de dos campos de vectores (que en el marco innito-dimensional se conoce como frmula de Trotter). Comencemos recordando el resultado clsico de Lie:
Teorema 8.2
(Frmula de Lie)
Sean
matrices cuadradas
d d.
Entonces: (52)
Este resultado expresa que, para calcular las soluciones de la ecuacin diferencial:
x = (A + B) x
basta saber resolver alternativamente las ecuaciones
y = Ay,
en intervalos de tiempo cortos la frmula anterior es una identidad:
z = Bz,
conmutan
AB = BA entonces
Ejercicio 8.3.
La frmula de Lie es vlida en un marco ms general que el que presentamos aqu (en concreto, es cierta en el contexto de espacios de Banach y generadores de grupos de contracciones, vase [TayPDEII], Apndice 11.A). Nos limitamos a enunciar el resultado parcial que nos ser til; en cuanto a su demostracin, remitimos al lector a las referencias antes citadas.
Proposicin 8.4.
la solucin
Supongamos que
u (x, t)
(x) .
(53)
Rd .
sin potencial
El aspecto notable de la identidad (53) es que slo involucra resolver la ecuacin del calor et/2 y multiplicar por la funcin etV ; ambos pasos son explcitos. Comencemos usando la frmula (48) para deducir:
=
15 Con esto queremos decir que dado
>0
K Rd
47
| (x)| <
para
x Rd \ K .
ahora, repitiendo el clculo anterior y realizando dos sencillos cambios de variable obtenemos:
et/n/2 et/nV =
et/nV (x+(t/n))
=
R2d
et/nV (x+x2 ) et/nV (x+x1 +x2 ) (x + x1 + x2 ) (x1 , t/n) (x2 , t/n) dx1 dx2 et/nV (x+x2 ) et/nV (x+x1 ) (x + x2 ) (x1 , t/n) (x2 x1 , t/n) dx1 dx2 ,
R2d
et/n/2 et/nV
(x) =
Rnd
(x1 , t/n) (x2 x1 , t/n) ... (xn xn1 , t/n) dx1 ....dxn .
Esta expresin no es ms que:
et/n/2 et/nV
(x) =
et/n
Pn
j=1
V (x+(j/nt))
(x + (t)) dP,
(54)
Rn (t,)
(x + (t)) ,
donde
t Rn (t, ) := n t R,
V (x + (j/nt)) .
j=1
Ahora bien, si
(t)
t n
con lo que para
l Rn (t, ) = m
0
se tiene:
V (x + (s)) ds,
P-casi
todo
n
Como
Rt
0
V (x+(s))ds
(x + (t)) .
specto a
+ V (x) u (t, x) = 0,
(x, t) Rd R,
u (x, 0) = (x) L2 Rd .
imaginaria
(55)
Esta ecuacin es muy similar a la ecuacin del calor, excepto por la presencia de la unidad
vista puramente matemtico). Su presencia cambia radicalmente el carcter de la ecuacin; supongamos por un momento
ei|xy|
/2t
(y) dy.
h > 0, la solucin de (55) es simplemente u (x, t) = eiht (x). En particular, se comprueba 2 fcilmente que, a diferencia de la ecuacin del calor, la norma L Rd de las soluciones de (55) se conserva: u (t, ) L2 Rd = L2 Rd . ( ) ( )
Al igual que sucede con la ecuacin del calor, es posible demostrar la siguiente frmula de Trotter (suponemos, hasta que digamos lo contrario, que
h = 1): L2 Rd
, la solucin
Proposicin 8.5.
u (x, t)
Supongamos que
(x) .
(y)
(56)
it/n/2 it/nV
(x) =
1 (2it)d/2
Rd
t in
|xy|2 V 2(t/n)2
(y) dy,
el cuadrado satisface:
(x)
e
R2d
t in
|xx2 |2 V 2(t/n)2
(x2 )
e
t in
|x2 x1 |2 V 2(t/n)2
(x1 )
e
R2d
t in
|xx1 |2 V 2(t/n)2
(x1 )
t in
|x2 x1 |2 V 2(t/n)2
(x2 )
y, en general, escribiendo
x0 = x: 1 (2it)nd/2 t n
Rnd
eit/n/2 eit/nV
Si escribimos
(x) =
2(t/n)
Sn (t, x0 , ..., xn ) :=
entonces si
j=1
(57)
(t)
es un camino denido en
[0, t]
(0) = x0 = x
(jt/n) = xj
para
j = 1, ..., n
accin clsica:
S (t, ) :=
0
u (x, t) = l m =
Rd
1 (2it)
nd/2 Rnd
eiS(t,) (y) dC () dy
1 Cx,y ([0,t])
49
siendo
1 Cx,y ([0, t]) el conjunto de los caminos diferenciables que satisfacen (0) = x y (t) = y .
Este clculo es meramente formal. De hecho, es posible demostrar que no existe ninguna medida sobre el espacio de caminos para la que la frmula anterior es vlida (vase [Cameron]). No obstante, el proceso de paso al lmite dene una integral a la Riemann. Ms detalles sobre esta construccin pueden encontrarse en [Nelson64]. Si tomamos
h>0
obtenemos:
u (x, t) =
Rd
1 Cx,y ([0,t])
Ejercicio 8.6.
cuando
h 0,
eiS(t,)/h dC () .
1 Cx,y ([0,t])
V L1 Rd ; R loc
acotado inferiormente,
(58)
(59)
L2 Rd
1 A := 2 x +
con
D (A) :=
u H 1 Rd :
Rd
(n )nN
L2 Rd
A:
1 x n + V n = n n . 2
Los autovalores correspondientes son reales, mayores que
CV ,
y verican
cuando
n .
Demostracin. La demostracin es estndar. Comencemos observando que podemos, sin prdida de generalidad suponer que en ese caso a
V + CV .
Sea
obtenido
1 u + V u + u = f 2
si y slo si,
QA (u, ) :=
Rd
1 2
x u (x)
x (x)
=
Rd
f (x) (x) dx =: Lf ()
50
para toda
D (A). QA (, ) D (A)
en
D (A)
(que
Lf
R.
f L
existe un nico
u D (A)
que verica
QA (u, ) = Lf ()
D (A).
(A + 1)1 : L2 Rd D (A) L2 Rd
est bien denida y es continua. Probaremos ms adelante que la inyeccin de 1 2 es compacta, de lo que se sigue que (A + 1) es un operador compacto de L
D (A) en L2 Rd Rd en si mismo.
Teniendo en cuenta que tambin es autoadjunto, concluimos vase, por ejemplo, [Davies] o 2 cualquier otro libro de anlisis funcional que existe una base ortonormal de L Rd formada por funciones
(n )nN
que satisfacen:
(A + 1)1 n = n n ,
siendo
n R
l n n = 0. m
An =
con lo que,
1 1 n . n
observar
n := 1n 1 son autovalores de A. Para concluir que su lmite es + basta si esuna autofuncin de A de norma uno y con autovalor entonces se tiene: CV
Rd
1 | 2
2 x |
+ V (x) | (x)|2 dx = .
Habremos completado la demostracin del resultado una vez que hayamos probado la compaci2 Rd . dad de la inyeccin de D (A) en L
Lema 9.2.
Si
(un )
D (A)
Demostracin. Sea Cc Rd
para
tal que
N N: uN (x) := n N , la sucesin uN n
Fijado
1 H0 (B (0; 2)). Podemos por tanto aplicar el teorema 2 de Rellich (vase [LiebLoss]) y concluir la existencia de una subsucesin convergente en L Rd .
est acotada en De hecho, aplicando el argumento diagonal de Cantor, podemos garantizar la existencia de una N 2 subsucesin un que converja fuerte en L Rd para todo N N. Ahora bien, dado N > 0 se tiene, utilizando que V (x) |un (x)|2 dx < C para todo n N: Rd
Rd
un (x) uN (x) dx n
1
Rd
x N
|un (x)|2 dx
|un (x)|2 dx
|x|>N
CN ,
siendo es de
l N CN = 0. m 2 Cauchy en L Rd
/3
concluir que
(un )
(x, t) Rd [0, ) ,
(60)
u (x, t) :=
Rt
0
V (x+( ))d
(x + (t)) dP.
cin sobre las hiptesis que hay que requerir a del operador
En el enunciado del siguiente resultado requeriremos que nuestro potencial satisfaga tres hiptesis adicionales:
V C Rd ; R ,
0
etV L1 Rd ,
siendo
t [0, ) ,
(61)
l + l inf m m +
t0
Rd
V (x) := mx V (y) , a
yB(x;)
(62)
l m
vol
(x, p) Rd Rd : H (x, p)
= C,
0.
(63)
La condicin (62) es meramente tcnica; simplica enormemene la prueba. La condicin (63) cuantica la tasa de crecimiento de en el innito. Se satisface para una gran clase de funciones.
Teorema 9.3.
mos por
Supongamos que
N ()
al nmero de autovalores de
menores que
Entonces:
N ()
cuando
1 (2)
d
vol
(x, p) Rd Rd : H (x, p)
Q (x, y, t) :=
nN
entonces para toda
L2 Rd
la funcin:
u (x, t) :=
Rd
es la nica solucin de (60). La expresin
Q (x, y, t) (y) dy
Q (x, x, t) dx =
Rd
52
etn
nN
es la
traza
a la medida:
c () :=
nN
entonces tenemos que:
n ()
etn =
nN
y
et dc ()
0
N () := c ([0, )) .
Nuestro objetivo ser probar el siguiente resultado:
(64)
Proposicin 9.4.
Cuando
t 0+ ,
se tiene:
etn =
nN 0
et dc ()
1 (2)
d Rd Rd
etH(x,p) dxdp.
(65)
1 (2)
siendo, para
etH(x,p) dxdp =
Rd Rd
1 (2)
d 0
etE dH (E)
IR
medible:
H (I) := vol
(x, p) Rd Rd : H (x, p) I
l m
= C.
(66)
Los siguientes resultados permiten relacionar (66) con el comportamiento asinttico de (64) para
Teorema 9.5
ciertos
Sea
[0, )
, C 0,
E
l E ((, E]) = C. m
Entonces,
t0
l + t m
etE d (E) = C ( + 1) .
0
t0
l + m
t (2)
d Rd Rd
etH(x,p) dxdp = C ( + 1) .
(67)
Teorema 9.6
t e d () 0
Sea
[0, )
que satisface
<
t>0
y, para ciertos
, D 0,
t0
Entonces,
l + t m
etE d (E) = D.
0
l ((, ]) = m
53
D . ( + 1)
t0
l + t m
et dc () = C ( + 1) ,
0
l c ((, ]) = C, m
N ()
f (x) :=
de modo que
d x 1 d B(0;1)
Rd
f (x) dx = 1.
Claramente,
Q (x, y, t) f (y x) dy Q (x, x, t) =
Rd
Sea
etn |n (x)|2 ,
nN
cuando
0+ .
t C := { : | (t)| < } ;
utilizando la frmula de Feynman-Kac obtenemos:
Q (x, x, t) = l + m
0
Q (x, y, t) f (y x) dy
Rd
= l + m
0
Ahora bien,
Rt
0
V (x+( ))d
f ( (t)) dP.
Rt
0
V (x+( ))d
f ( (t)) dP = =
d d
e
t C
Rt
0
V (x+( ))d
dP
Rt
0
1 d/2 P (C t ) (2t)
e
t C
V (x+( ))d
dP,
K :=
claramente,
d d t (2t)d/2 P C = d d 0+ .
54
e|x|
|x|<
/2t
dx;
K 1,
cuando
l + m
1 t P (C )
t C
t ( ( )) dP = l + E (W ) |C , m 0
para
[0, t]
: Rd R l + m
1 t P (C )
( ( )) dP = E [ (W ) |Wt = 0] ;
t C
y de hecho obtenemos:
1 t P (C ) =
con
( ( )) dP
t C d/2
D1 d/2 (2 (t ))
t|y|2
dxdy,
D =
|x|<1
A la vista de esto, se tiene:
|x|2 2t
dx.
l + m
1 t P (C )
( ( )) dP =
t C
td/2 (2 (t ))d/2
Rd
(y) e 2 (t ) dy.
t|y|2
0 1 ... n t:
l + m
1 t P (C ) td/2
( (1 ) , ..., (n )) dP
t C
(t n )d/2
|xn |2
1 ...n
del proceso:
W0,t := W Wt , t
conocido como
[0, t] , P0,t
a su distribucin. Sirvindonos del ar-
puente Browniano.
Denotemos por
gumento basado en el teorema de Riesz-Markov que utilizamos para construir la medida de [0,) Wiener, podemos demostrar que, para toda funcin medible y acotada : R R se tiene:
l + m
1 t P (C )
() dP =
t C
() dP0,t .
En particular,
Q (x, x, t) =
1 (2t)
d/2
Rt
0
V (x+( ))d
dP0,t .
55
etn =
nN
1 (2t)d/2 1 (2t) 1
d/2 Rd t 0 Rd
e 1 t
Rt
0
V (x+( ))d
dP0,t dx
= =
(2t)d/2 1 (2t)
d/2
Rd
1 td/2 t (2 (t ))d/2
t|y|2
t := { : | ( )|
para
(0, t)
(0) = (t) = 0} ,
V (x) := mx V (y) , a
yB(x;)
tenemos, para todo
> 0, etn
nN
1 (2t) 1
d/2 Rd t
Rt
0
V (x+( ))d
dP0,t dx
d/2
Ahora bien, razonando como en las demostraciones de los lemas 7.9 y 7.10 obtenemos:
td/2 (2 (t ))d/2 e
t |y|> (t ) |y|2 2
e 2 (t ) dy
|y|>
t|y|2
0 t
dy (2)d/2
0 t
=1 =
|y| 4 t
Ahora bien,
|y|> 4 t
|y|2 2
dy
l t0+ P0,t (t ) = 1 m
0
Por tanto,
l + l inf m m +
t0
Rd
1 l inf m +
t0
56
f (s) :=
eisx f (x) dx
(68)
1 f (x) = 2
Podemos ver fcilmente que:
(69)
f (s) =
eisx f (x) dx
+
= s2
eisx f (x) dx
= s f (s) .
2
Si transformamos la ecuacin (13) con respecto a la variable
t:
log
u(x, t) =
Escribiendo la transformada de
1 2
u0
1 u(x, t) = 2
isxDs2 t
eisq u0 (q) dq
ds.
u(x, t) =
1 2 1 = 2 1 = 2
u0 (q)
+
eis(xq)Ds t ds
+
dq
2 Dt
e
+
(xq)2 4Dt
u0 (q)
e
i
(xq) 2 is Dt+
ds
dq dq
(70)
(xq)2 4Dt
u0 (q)
(xq)2 4Dt
xq 2 Dt xq 2 Dt
i +
dp 2 ep Dt
1 = 2 Dt
u0 (q) dq .
57
Cuando
u0
(71)
idntica a la expresin obtenida para la densidad de probabilidad (7). De esta manera recuperamos a la misma funcin a travs de la solucin de una ecuacin en derivadas parciales. En (70) podemos ver que la solucin para una condicin inicial arbitraria se obtiene a partir de la solucin fundamental a travs de la convolucin, esto es equivalente a distribuir en forma continua innidad de fuentes a lo largo de la recta.
Referencias
[1] Alexandre Chorin, Ole Hald:
Probability, Addison-Wesley Series in Statistics, 1968. Stochastic Problems in Physics and Astronomy, The theory of stochastic processes.
en Reviews of
[3] S. Chandrasekar:
Modern Physics, Vol 15, N. 1, 1943. [4] D.R. Cox & H.D. Miller: [5] J.L. Doob:
Stochastic Processes, John Wiley and Sons 1953. Mathematics applied to deterministic problems in the Natural
Application of Brownian motion to the equation of KolmogorovPetrovskii-Piskunov. Comunications on pure and applied mathematics, Vol. XXVIJ. Math. and Phys. 39 (1960/1961) 126140.
II, 323-331 (1975). [Cameron] Cameron, R. H. A family of integrals serving to connect the Wiener and Feynman integrals. [Davies]
Davies, E. B.
Spectral theory and dierential operators. Cambridge Studies in Ad42. Cambridge University Press, Cambridge, 1995.
Topology. Allyn and Bacon, Inc., Boston, Mass. 1966. An introduction to Stochastic Dierential Equations. Disponible en la Analysis. Second edition. Graduate Studies in Mathematics, J. Mathematical Phys.
http://math.berkeley.edu/~evans/.
[Nelson67] Nelson, E.
~nelson/books.html.
58
http://www.math.princeton.edu/
[Rudin]
Rudin, W.
Real and complex analysis. Third edition. McGraw-Hill Book Co., New Functional integration and quantum physics.
Pure and Applied Mathe-
[TayPDEII] Taylor, M. E.
Partial dierential equations. II. Qualitative studies of linear equations. Applied Mathematical Sciences, 116. Springer-Verlag, New York, 1996.
59